Spatial differencing for sample selection models with ‘site-specific’ unobserved local effects
存在地点特定不可观测局部效应的样本选择模型：空间差分方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦空间差分与样本选择修正，未明确涉及给定分类中的离散选择行为、网络互动或其他直接对应方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
存在地点特定不可观测局部效应的样本选择模型：空间差分方法
- 研究问题
- 当不可观测局部效应的空间尺度无法由行政区边界捕捉时，如何在存在样本选择的模型中处理这些效应？
- 方法与思路
- 作者结合空间差分与两步样本选择估计，推导识别、估计和推断结果，并在相应假设下建立一致性与渐近正态性。
- 材料陈述的贡献
- 摘要称，该方法处理地点特定的不可观测效应；模拟展示小样本性质，美国女性工资报价方程应用显示其相关性。
- 阅读关注点
- 应核对空间邻近如何定义、差分消除局部效应的条件、选择方程的识别要求，以及两步估计的方差计算。
- 阅读边界
- 摘要未说明空间平滑性、样本选择识别及依赖结构的具体条件，也未报告应用数值，不能判断适用范围与改善幅度。
原文摘要
Summary This paper proposes an estimator which combines spatial differencing with a two-step sample selection estimator. We derive identification, estimation, and inference results from ‘site-specific’ unobserved effects. These effects operate at a spatial scale that cannot be captured by administrative borders. Therefore, we use spatial differencing. We show that under justifiable assumptions, the estimator is consistent and asymptotically normal. A Monte Carlo experiment illustrates the small sample properties of our estimator. We apply our procedure to the estimation of a female wage offer equation in the United States and the results show the relevance of spatial differencing to account for ‘site-specific’ unobserved effects.